基于深度学习的放射学和机器学习用于在最大安全的手术切除后IDH野生型质母细胞瘤的预后评估:一个多中心研究
Jianpeng Liu1, Shufan Jiang2, Yanfei Wu3
1Department of Radiology, Huashan Hospital, Fudan University, Shanghai.
International journal of surgery (London, England)
|May 20, 2025
概括
一个新的放射学机器学习模型准确地预测了手术后质母细胞瘤 (GBM) 患者的整体存活率 (OS). 这种非侵袭性工具有助于个性化预后和临床决策,对侵略性脑瘤.
科学领域:
- 神经瘤学神经瘤学
- 无线电学 (Radiomics) 是一种辐射学.
- 机器学习 机器学习
背景情况:
- 质母细胞瘤 (GBM) 是一种具有不良预后的侵袭性脑瘤.
- 准确预测整体存活率 (OS) 对患者管理至关重要.
- IDH野生型GBM带来了重大的治疗挑战.
研究的目的:
- 开发和验证基于放射学的机器学习模型,用于预测IDH野生型GBM患者的OS.
- 用MRI评估最大安全的手术切除后模型的性能.
- 为个性化预后评估提供一种非侵入性工具.
主要方法:
- 对582名GBM患者的回顾性分析.
- 使用基于ResNet的网络对比增强瘤,死核和周围胀的细分.
- 使用LASSO-Cox回归提取和过了4,227个放射性特征.
- 使用Mime预测框架构建一个预测模型.
- 在培训,内部和外部队伍中验证.
主要成果:
- 放射学模型在验证队列中实现了高一致性指数 (0.89,0.81,0.76).
- 在高风险和低风险组之间观察到显著的生存差异 (P <0.05).
- OS的独立预测因素包括年龄,KPS得分,以及死核和周围胀的放射性特征.
结论:
- 一个基于深度学习细分的放射学模型可稳定地预测GBM中的OS.
- 该模型提供了个性化预后评估的非侵入性方法.
- 该工具支持GBM管理中的临床决策.
